深度学习重建算法的图像质量体模研究
目的:使用体模比较CT深度学习重建算法和迭代重建算法的图像质量.方法:使用GE Revolution Apex 扫描 ACR 质量控制体模 Gammex 464,分别测量 modulel~module4 的 5种物质CT值准确性、低对比度分辨率、图像均匀性和高对比度分辨率.通过指标比较高剂量下(20mGy)深度学习重建算法TrueFedelity?(TFI)3种等级(DL、DM及DH)和自适应统计迭代重建算法V(AV)3种等级(30%、60%及90%)的图像质量.两种算法的各指标比较采用单因素方差分析.结果:所有6组图像的高/低分辨率均一致(高对比度分辨率:101p/cm;低对比度分辨率:6mm);两种算法都轻微高估聚乙烯、空气以及丙烯酸的CT值,各物质间CT值差异不具有统计学意义.两种算法均低估骨和固态水的CT值,其中,TFI算法对固态水的CT值较AV更接近真实值,但各组图像间不具有统计学差异.6组图像中,TFIDH的图像均匀性最佳;同等级条件下,深度学习重建算法相较IR算法的图像均匀性更佳.结论:深度学习重建算法在高剂量水平下可以在保持图像空间分辨率和CT值准确性的基础上,进一步降低图像噪声.
深度学习重建算法、迭代重建算法、图像质量
31
O242;TP391.41(计算数学)
2022-07-06(万方平台首次上网日期,不代表论文的发表时间)
共6页
351-356